Информационное мышление - это модное слово для общего «ментального паттерна», наблюдаемого в процессе выбора предмета для начала, определения его частей или компонентов, их организации и описания в информативной манере, которая имеет отношение к тому, что мотивировало и инициировало все процессы.
В контексте разработки новых продуктов и инноваций Data Thinking можно описать следующим образом: Data Thinking - это структура для исследования, проектирования, разработки и проверки решений, основанных на данных, и предприятий, ориентированных на пользователей, данные и будущее. Data Thinking объединяет науку о данных с дизайнерским мышлением, и поэтому в центре внимания этого подхода находятся не только технологии анализа данных и сбор данных, но и разработка ориентированных на использование решений с высоким бизнес-потенциалом. [1] [2] [3] [4]
Термин был создан Марио Фариа и Рожерио Panigassi в 2013 году , когда они пишут книгу о науке данных, анализе данных , управлении данными и как практикующие данные были в состоянии достичь своих целей.
Основные этапы мышления данными
Несмотря на то, что стандартизированного процесса Data Thinking еще не существует, основные этапы процесса аналогичны во многих публикациях и могут быть резюмированы следующим образом:
Уточнение стратегического контекста и определение основных областей рисков и возможностей, основанных на данных
На этом этапе анализируется более широкий контекст цифровой стратегии. Прежде чем приступить к конкретному проекту данных, важно понять, как новые технологии, основанные на данных и искусственном интеллекте, влияют на бизнес-ландшафт и как это влияет на будущее организации. Анализ тенденций / прогнозирование технологий и планирование / анализ сценариев, а также оценка возможностей внутренних данных являются основными методами, которые обычно применяются на этом этапе. [5] [3]
Идея / Исследование
Результатом более раннего этапа является определение приоритетных областей, которые либо являются наиболее многообещающими, либо подвержены наибольшему риску в связи с преобразованием на основе данных. На этапе разработки идеи / исследования определяются конкретные варианты использования для выбранных областей внимания. Для успешного создания идей важно объединить информацию об организационных (бизнес) целях, потребностях внутреннего / внешнего использования, данных и инфраструктуре, а также знания предметной области о последних технологиях и тенденциях на основе данных. [6] [2]
Принципы дизайн-мышления в контексте мышления данными можно интерпретировать следующим образом: при разработке идей, основанных на данных, очень важно учитывать пересечение технической осуществимости, влияния на бизнес и доступности данных. На этом этапе широко применяются типичные инструменты дизайн-мышления (например, исследования пользователей, персональные данные , путь клиента ). [7]
Но здесь необходимо учитывать не только пользователей, клиентов и стратегические потребности организации. Анализ потребностей в данных и доступности данных, а также исследования технологий искусственного интеллекта, подходящих для решения на основе данных, являются важными составляющими успешного процесса разработки. [8]
Для определения объема данных и технологической основы решения на этом этапе обычно используются методы из межотраслевого стандартного процесса интеллектуального анализа данных ( CRISP-DM ). [9]
Прототипирование / Подтверждение концепции
На предыдущих этапах была разработана основная концепция data-решения. На текущем этапе проводится апробация концепции, чтобы проверить ее осуществимость. На этом этапе также используется структура прототипа дизайн-мышления и включает в себя тестирование, оценку, итерацию и уточнение. [10] Принципы дизайн-мышления прототипов также комбинируются на этом этапе с моделями процессов, которые применяются в проектах Data Science (например, CRISP-DM). [5]
Измерение влияния на бизнес
Не только реализуемость решения, но и его рентабельность подтверждается в процессе Data Thinking. На этом этапе обычно применяются анализ затрат и выгод и расчет бизнес-модели . [11]
Внедрение и улучшение
Если разработанное решение докажет свою осуществимость и рентабельность на этом этапе, оно будет внедрено и введено в действие. [1] [3]
Рекомендации
- ^ a b «Зачем компаниям нужно Data Thinking?» . 2020-07-02.
- ^ а б "Data Thinking - Mit neuer Innovationsmethode zum datengetriebenen Unternehmen" [С новыми методами инноваций для компании, основанной на данных] (на немецком языке).
- ^ а б в «Мышление данными: руководство к успеху в цифровую эпоху» .
- ^ Эррера, Сара (21.02.2019). «Data-Thinking als Werkzeug für KI-Innovation» [Информационное мышление как инструмент для KI-инноваций]. Handelskraft (на немецком языке).
- ^ а б Шнакенбург, Игорь; Кун, Штеффен. «Мышление данными: Daten schnell produktiv nutzen können». LÜNENDONK-Magazin "Künstliche Intelligenz" (на немецком языке). 05/2020: 42–46.
- ^ Нальчигар, Соруш; Ю, Эрик (2018-09-01). «Бизнес-аналитика данных: концепция концептуального моделирования» . Инженерия данных и знаний . 117 : 359–372. DOI : 10.1016 / j.datak.2018.04.006 . ISSN 0169-023X .
- ^ Вудс, Рэйчел (22.03.2019). «Дизайн-мышление для науки о данных» . Средний . Проверено 8 июля 2020 .
- ^ Фоменко, Елена; Мэттджи, Аннетт (12 мая 2020 г.). «Был ли macht eigentlich… ein Data Thinker?» . W&V . Немецкий.
- ^ Марбан, Оскар; Марискаль, Гонсало; Менасальвас, Эрнестина; Сеговия, Хавьер (2007). Инь, Худжунь; Тино, Питер; Корчадо, Эмилио; Бирн, Уилл; Яо, Синь (ред.). «Инженерный подход к проектам интеллектуального анализа данных» . Интеллектуальная инженерия данных и автоматизированное обучение - IDEAL 2007 . Конспект лекций по информатике. Берлин, Гейдельберг: Springer. 4881 : 578–588. DOI : 10.1007 / 978-3-540-77226-2_59 . ISBN 978-3-540-77226-2.
- ^ Браун, Тим Вятт, Джоселин (01.07.2010). «Дизайн-мышление для социальных инноваций» . Развитие . 12 (1): 29–43. DOI : 10.1596 / 1020-797X_12_1_29 . ISSN 1020-797X .
- ^ "Data-Thinking - das Potenzial von Daten richtig nutzen" . t3n Magazin (на немецком языке). 2018-09-08 . Проверено 8 июля 2020 .